缺陷类别判定方法、系统、电子设备和介质与流程

本发明涉及计算机视觉检测领域，特别涉及一种缺陷类别判定方法、系统、电子设备和介质。

背景技术：

1、在图像分类领域，尤其是工业视觉缺陷检测领域，对缺陷图像进行准确的类别判定是缺陷溯源、工艺改进及自动化质检的关键环节。通常，系统需要将待检测的缺陷图像与已标注的缺陷样本库进行比对，基于特征向量的距离度量来判断该缺陷属于哪一具体类别（如划痕、裂纹、脏污等），甚至需要进一步确认属于该类别的哪一种形态子类（如浅划痕或深划痕）。目前，常见的缺陷类别判定方法依赖于全局固定阈值或单类别固定阈值进行相似度衡量。全局固定阈值方法对所有类型、所有形态的缺陷统一采用单一的距离阈值作为相似性判定标准，当待检特征向量与样本特征向量的距离小于该阈值时，即判定二者相似。然而，实际工业生产中，同类缺陷普遍存在形态、尺寸、深浅等方面的显著差异，导致同类缺陷的特征向量在特征空间中分布高度离散。例如，同为“划痕”类别，细浅划痕的特征向量彼此间距离较小，分布集中，而粗深划痕的特征向量则分布范围较宽。若采用全局统一的固定阈值，阈值设定过严则容易漏检形态差异较大的真实同类缺陷，阈值设定过松则可能将形态差异较大的非同类缺陷误判为相似，检测准确性难以保证。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种缺陷类别判定方法、系统、电子设备和介质，能够实现精准的缺陷类别判定。

2、根据本发明的第一方面实施例的缺陷类别判定方法，包括：

3、获取缺陷样本库，其中，所述缺陷样本库包括多个样本特征向量及每个所述样本特征向量对应的缺陷类别标签；

4、将具有相同所述缺陷类别标签的样本特征向量归入同一样本集合，对每个所述样本集合内的样本特征向量分别进行聚类，得到多个特征子簇；

5、根据每个所述特征子簇内所述样本特征向量的距离分布，确定每个所述特征子簇对应的相似度阈值；

6、获取待检测图像的待检特征向量，并确定目标缺陷类别；

7、从所述缺陷样本库中，检索获取属于所述目标缺陷类别且与所述待检特征向量距离最小的预设数量个所述样本特征向量，作为候选相似样本；

8、基于所述候选相似样本中与所述待检特征向量的距离小于对应的所述相似度阈值的样本特征向量，判定所述待检测图像所属的缺陷类别。

9、本发明实施例至少具有如下有益效果：本发明通过构建“缺陷类别-特征子簇”双层聚类结构，首先在同一缺陷类别内部依据样本特征向量的距离分布进行聚类分簇，并为每个特征子簇自动生成专属的相似度阈值；对待检测图像，在目标缺陷类别范围内检索出候选相似样本后，根据各候选相似样本所属子簇的相似度阈值筛选有效样本，进而确定待检测图像的具体缺陷类别。本发明提供的方法通过自适应确定的相似度阈值解决了现有技术中因同类缺陷内部形态、深浅等差异导致特征分布离散时，固定阈值无法自适应不同子类判定边界的问题，能够在无需人工调参的情况下，显著提升缺陷类别判定的精准度与泛化能力。

10、根据本发明的一些实施例，所述获取缺陷样本库的步骤之前，包括：

11、获取缺陷样本图像，对所述缺陷样本图像进行预处理；

12、基于预训练的卷积神经网络对缺陷样本图像进行特征提取，得到所述样本特征向量；

13、将所述样本特征向量与对应的缺陷类别标签关联，形成所述缺陷样本库。

14、根据本发明的一些实施例，所述根据每个所述特征子簇内所述样本特征向量的距离分布，确定每个所述特征子簇对应的相似度阈值的步骤，包括：

15、计算获取所述特征子簇内每个所述样本特征向量到簇中心的欧氏距离，并将所述欧氏距离的平均值作为平均距离阈值；

16、和/或，将所述欧氏距离的最大值作为最大距离阈值。

17、根据本发明的一些实施例，所述从所述缺陷样本库中，检索获取属于所述目标缺陷类别且与所述待检特征向量距离最小的预设数量个所述样本特征向量，作为候选相似样本的步骤，包括：

18、确定所述候选相似样本的检索数量，所述检索数量取第一数量、第二数量和第三数量中的最大值；其中，所述第一数量为预设的检索数量下限，所述第二数量为预设的最低有效返回样本数，所述第三数量为预设的冗余系数与所述缺陷样本库中属于所述目标缺陷类别的所述样本特征向量的总数的乘积；

19、按照所述检索数量，从属于所述目标缺陷类别的所述样本特征向量中，选取与所述待检特征向量距离最近的对应数量的所述样本特征向量，作为所述候选相似样本。

20、根据本发明的一些实施例，所述从所述缺陷样本库中，检索获取属于所述目标缺陷类别且与所述待检特征向量距离最小的预设数量个所述样本特征向量，作为候选相似样本的步骤，还包括：

21、统计获取所述候选相似样本中满足对应的所述相似度阈值的所述样本特征向量的数量；

22、当所述样本特征向量的数量小于预设的最低返回样本数时，增大所述检索数量，在所述缺陷样本库内属于所述目标缺陷类别的所述样本特征向量中重新检索，得到补充候选相似样本；

23、将所述补充候选相似样本按照与所述待检特征向量的距离升序排列，并依序补充至所述候选相似样本，直至所述候选相似样本中满足所述相似度阈值的所述样本特征向量的数量达到所述最低返回样本数。

24、根据本发明的一些实施例，所述基于所述候选相似样本中与所述待检特征向量的距离小于对应的所述相似度阈值的样本特征向量，判定所述待检测图像所属的缺陷类别的步骤，还包括：

25、预设一全局默认阈值；

26、对于任一所述候选相似样本，若无法根据其所属的特征子簇确定对应的所述相似度阈值，则以所述全局默认阈值作为该候选相似样本对应的所述相似度阈值。

27、根据本发明的一些实施例，当所述目标缺陷类别为多个时，所述基于所述候选相似样本中与所述待检特征向量的距离小于对应的所述相似度阈值的样本特征向量，判定所述待检测图像所属的缺陷类别的步骤，包括：

28、将与所述待检特征向量的距离小于对应的所述相似度阈值的所述样本特征向量，按照其对应的缺陷类别标签进行分组；

29、计算获取每个组内的所述样本特征向量与所述待检特征向量的平均距离，将所述平均距离最小的组所对应的所述目标缺陷类别，确定为所述待检测图像所属的缺陷类别。

30、根据本发明第二方面实施例的一种缺陷类别判定系统，包括：

31、样本获取模块，用于获取缺陷样本库，其中，所述缺陷样本库包括多个样本特征向量及每个所述样本特征向量对应的缺陷类别标签；

32、聚类模块，用于将具有相同所述缺陷类别标签的样本特征向量归入同一样本集合，对每个所述样本集合内的样本特征向量分别进行聚类，得到多个特征子簇；

33、阈值生成模块，用于根据每个所述特征子簇内所述样本特征向量的距离分布，确定每个所述特征子簇对应的相似度阈值；

34、图像获取模块，用于获取待检测图像的待检特征向量，并确定目标缺陷类别；

35、检索模块，用于从所述缺陷样本库中，检索获取属于所述目标缺陷类别且与所述待检特征向量距离最小的预设数量个所述样本特征向量，作为候选相似样本；

36、类别判定模块，用于基于所述候选相似样本中与所述待检特征向量的距离小于对应的所述相似度阈值的样本特征向量，判定所述待检测图像所属的缺陷类别。

37、根据本发明的第三方面实施例的电子设备，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行上述方面实施例所述的缺陷类别判定方法。

38、根据本发明的第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述方面实施例所述的缺陷类别判定方法。

39、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。